img_rows, img_cols=28, 28

if k.image_data_format() == 'channels_first':

x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)

x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)

inpx = (1, img_rows, img_cols)

else:

x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)

x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)

inpx = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')

x_test = x_test.astype('float32')

x_train /= 255

x_test /= 255

输出类的描述：

由于模型的输出可以包含0到9.so之间的任何数字，因此我们需要输出10个类。要为10个类输出，请使用keras.utils.to_categoricalfunction，它将提供10列。在这10列中，只有一个值为1，其余9为零，输出的这一个值将表示数字的类别。

y_train = keras.utils.to_categorical(y_train)

y_test = keras.utils.to_categorical(y_test)

CNN模型中每层工作说明：

layer1是Conv2d层，它使用32个过滤器卷积图像，每个过滤器大小（3 * 3）。
layer2也是一个Conv2D层，它也用于卷积图像，并使用64个滤波器，每个滤波器的大小（3 * 3）。
layer3是MaxPooling2D层，它从大小（3 * 3）的矩阵中选择最大值。
layer4以0.5的速率显示Dropout。
layer5将从layer4获得的输出展平，并将此展平输出传递给layer6。
layer6是神经网络的隐藏层，包含250个神经元。
layer7是输出层，具有10个神经元，用于10类输出，使用softmax函数。